[发明专利]基于多维属性相关分析的多传感器融合方法及系统

说明书

本发明提供一种基于多维属性相关分析的多传感器融合方法及系统，涉及多传感器数据融合技术领域。本发明首先获取传感器数据时间序列的一致性特征和稳定性特征；并基于改进形状距离算法获取传感器数据时间序列的相关性特征；然后基于一致性特征、稳定性特征，以及相关性特征计算传感器数据的可靠性；最后基于每个传感器的可靠性对多传感器数据进行加权融合。本发明解决了大部分传感器数据都出现偏差时多传感器数据融合存在相对误差大而精度低的问题，提高了多传感器在不同场景下数据融合的准确率，为自动驾驶车辆的驾驶决策提供了精准的指导意见。

技术领域

本发明涉及多传感器数据融合技术，具体涉及一种基于多维属性相关分析的多传感器融合方法及系统。

背景技术

多传感器数据融合是自动驾驶车辆感知环境的重要手段，这些数据融合准确性越高，越能获得更精确的目标位置描述，这对于构建环境模型，做出准确的驾驶决策是至关重要的。在融合多个雷达传感器对目标的观测结果，获取目标位置构建环境模型的过程中，多雷达传感器数据融合可以看作是一个同构时间序列数据融合问题，通常采用加权融合方法来解决。

目前，针对加权融合多传感器数据的问题，一般是利用数据的一致性特征和稳定性特征来定义传感器的可靠性，然后再进行多传感器数据的加权融合，这种做法在传感器不出现大面积偏差时效果良好。然而，在实际当中由于车辆颠簸或其他环境因素的影响，会出现大部分传感器同时出现偏差的情况。当大部分传感器数据都出现偏差时，特别是在同一方向上的偏差，仅由数据一致性和数据稳定性定义的传感器权重不能真实反映传感器的可靠性，从而会导致数据融合相对误差较高，精度不高等问题。

由此可见，亟需提出一种新的多传感器数据融合技术，以克服现有技术中当大部分传感器数据都出现偏差时数据融合相对误差较大而精度不高的问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于多维属性相关分析的多传感器融合方法及系统，解决了现有多传感器数据融合技术在大部分传感器数据都出现偏差时存在相对误差大而精度低的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明提出了一种基于多维属性相关分析的多传感器融合方法，所述方法包括：

获取传感器数据时间序列的一致性特征和稳定性特征；

基于传感器数据时间序列变化的斜率和标准欧氏距离获取传感器数据时间序列之间的距离，并基于传感器数据时间序列之间的距离获取传感器数据时间序列的相关性特征；

基于传感器的所述一致性特征、所述稳定性特征，以及相关性特征计算传感器数据的可靠性；

基于每个传感器的所述可靠性对多传感器数据进行加权融合。

优选的，所述获取传感器数据的一致性特征和稳定性特征包括：

基于支持度方法获取传感器数据的一致性特征；基于支持度方差获取传感器数据的稳定性特征。

优选的，所述基于传感器数据时间序列变化的斜率和标准欧氏距离获取传感器数据时间序列之间的距离，并基于传感器数据时间序列之间的距离获取传感器数据时间序列的相关性特征，包括：

S21、对传感器数据时间序列进行标准化处理；

S22、基于标准化处理后的传感器数据时间序列获取传感器数据时间序列之间的标准欧式距离；

S23、获取标准化处理后的传感器数据时间序列中相邻时间点数据之间的差值，基于所述差值获取传感器数据时间序列变化的斜率，并基于所述斜率的变化量确定每一段数据时间序列的变化状态模式；